Būvniecība jau desmitgades strādā ar slāņotu ķēdi: pasūtītājs, galvenais uzņēmējs, apakšuzņēmēji, piegādātāji. Šī ķēde ir pieradusi sadalīt atbildību un nodot darbu pa fāzēm. Tas nozarei zināmā mērā dod labāku sagatavotību AI nekā citām nozarēm — pastāv disciplīna plānošanā, kvalitātes kontrolē, vienošanos fiksēšanā. Bet tā pati ķēde padara datus trauslus. Rasējumi, kalkulācijas, plānojumi un progresa atskaites rodas pie dažādām pusēm, dažādās sistēmās, ar dažādām patiesības versijām. AI risinājums, kam jādarbojas ar šiem datiem, darbojas ar kaut ko, kas bieži nav pilnīgs, aktuāls vai centralizēts.
Tieši šī atšķirība starp organizatorisko disciplīnu un datu gatavību ir tas, kur daudzi AI izmēģinājumi būvniecībā iestrēgst. Projekta vadītājs mēģina izmantot AI rīku plānošanas optimizācijai, bet ievaddati nāk no trīs sistēmām, kas nesavienojas. Darbu sagatavošanas speciālists vēlas automātiski pārbaudīt kalkulācijas, bet historiskie dati ir izkaisīti atsevišķos Excel failos pa projektiem. Izmēģinājums apstājas nevis tāpēc, ka tehnoloģija nedarbojas, bet tāpēc, ka organizācija tam vēl nav sagatavota.
AI gatavība mēra nevis tikai to, vai organizācija izmanto rīkus, bet to, vai zem tiem stāv pamats. Tas sākas ar organizāciju pašu: vai ir skaidrs digitalizācijas atbildīgais, vai zināšanas tiek dalītas starp projektiem, vai katrs projekts paliek sala. Tad seko IT infrastruktūra: vai sistēmas ir savienotas, vai ir pamats, uz kura var darboties jauni risinājumi, nepārrakstot visu manuāli. Tikai pēc tam nāk datu pārvaldība: vai esošie dati ir uzticami, aktuāli un pieejami tiem, kam ar tiem jāstrādā.
Šī secība nav izvēle, bet veids, kā tas darbojas. Organizācija, kas vēlas uzlabot datu pārvaldību, bez tam, ka IT infrastruktūra to atbalsta, būvē uz smilšu pamata. Organizācija, kas vēlas ieviest AI risinājumus, nezinot, kurš organizācijā ir atbildīgs par kuru procesu, iegūst rīku, ko neviens neuztur. Būvniecībā šis modelis ir redzams: nozarei bieži ir organizatoriska griba, bet infrastruktūra un dati atpaliek. Tas paskaidro, kāpēc izmēģinājumi bieži izdodas projekta līmenī un neizdodas organizācijas līmenī — pamatdimensijas nav pieaugušas līdzi ambīcijām.
hybridresourcing gatavības mērījums aplūko septiņas dimensijas — no organizācijas un infrastruktūras līdz vairāk atkarīgiem slāņiem, piemēram, procesu automatizācijai un lēmumu pieņemšanai. Katrai dimensijai ir viens no pieciem līmeņiem: baseline, foundation, activation, insight vai intelligence. Būvniecībā šis attēls bieži ir nevienmērīgi sadalīts pa dimensijām. Uzņēmums var būt tālu organizācijas līmenī — skaidras lomas, digitalizācijas plāns, vadības atbalsts — un tomēr datu pārvaldībā vēl atrasties baseline līmenī, jo projektu dati nekad nav centralizēti apkopoti.
Šī nevienlīdzība kļūst redzama plot-kārtā, kurā vairāki organizācijas cilvēki vērtē atsevišķi. Direktors un darbu vadītājs var vienu un to pašu uzņēmumu vērtēt pilnīgi atšķirīgi, un šī atšķirība pati par sevi ir informācija. Ja CIO domā, ka dati ir kārtībā, bet darbu sagatavošanas speciālists ik dienu cīnās ar izkaisītiem failiem, tur ir problēma, ko viena saruna nebūtu atklājusi. Nozarē, kur darbs izplatās pa projektiem un pusēm, šī atšķirība bieži ir lielāka nekā vidēji — un tāpēc informatīvāka.
Šis mērījums neko neizsaka par to, kādus uzdevumus AI var pārņemt vai cik daudz laika tas ietaupīs. Runa ir par jautājumu, vai organizācija spēj AI iznest: vai pamats stāv, vai infrastruktūra ir gatava, vai dati ir pietiekami uzticami, lai uz tiem būvētu. Šis jautājums būvniecībai ir vairāk relevants nekā nozarēs, kur dati pēc savas dabas jau tiek centralizēti fiksēti. Salīdziniet to ar uzstādīšanas nozari, kur projektveida darbs un fragmentēti dati radīti līdzīgas problēmas, vai ar ražošanas nozari, kur ražošanas dati un organizācijas struktūra parāda citu līdzsvaru. Arī transporta nozarē pastāv līdzīga spriedze starp operatīvo disciplīnu un digitālo pamatojumu, kas rāda, ka šis modelis nav unikāls būvniecībai, tomēr izpaužas ar savu intensitāti ķēdes struktūras dēļ.
Rīks, ar ko šo mēra, tiek izstrādāts. Kas vēlas veikt mērījumu, tiklīdz tas būs pieejams, var pieteikties gaidīšanas sarakstā. Šeit nekas netiek piedāvāts, kas jau nedarbojas, un netiek dots nekāds solījums par rezultātu — vienīgi patiess attēls par to, kur organizācija tagad atrodas, dimensiju pēc dimensijas.
Ja izrādās, ka pamatdimensijas ir kārtībā vai ceļā uz to, tad aktuāls kļūst cits jautājums: kāda daļa no paša darba ir piemērota, lai to pārņemtu AI. Tas ir citāds mērījums nekā šis. Kur hybridresourcing pārbauda, vai organizācija spēj AI iznest, FTE TO AI darba skaneris aprēķina par katru uzdevumu, kādu daļu no darba var pārņemt — nevis kā aplēsi, bet kā uzdevumu analīzes rezultātu. Būvniecības uzņēmumam, kas zina, kur stāv pamats, tas ir loģisks nākamais solis: vispirms pamats, tad jautājums, ko uz tā var būvēt.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.